Інженери навчили ШІ прогнозувати автомобільні аварії

Інженери з Університету Джонса Гопкінса розробили інноваційний інструмент на основі штучного інтелекту. Ця система під назвою SafeTraffic Copilot здатна аналізувати складні дорожні ситуації та прогнозувати ризики виникнення аварій, що може кардинально змінити підходи до безпеки руху.

В основі SafeTraffic Copilot лежать великі мовні моделі (LLM), які пройшли навчання на величезному масиві даних. Система проаналізувала понад 66 тисяч описів ДТП, враховуючи різноманітні змінні: від погодних умов та стану дорожнього покриття до таких числових показників, як рівень алкоголю в крові водіїв. Крім того, ШІ обробив супутникові знімки та фотографії з місць аварій.

У реальних умовах модель продемонструвала точність прогнозів на рівні 70%, йдеться на сайті Johns Hopkins University. SafeTraffic Copilot має потенціал стати основою для відповідальної інтеграції моделей на основі ШІ у важливі сфери, такі як охорона здоров'я та безпека людей.

Переосмисливши прогнозування аварій як завдання на логічне мислення та використовуючи LLM для інтеграції письмових і візуальних даних, зацікавлені сторони можуть перейти від грубих, агрегованих статистичних даних до точного розуміння причин конкретних аварій,
– сказав Янг, чиє дослідження вже опубліковане в Nature Communications.

Головна відмінність SafeTraffic Copilot від попередніх систем машинного навчання полягає в його здатності проводити так звані аналізи what-if ("що, якщо"). Наприклад, інструмент може спрогнозувати, як зміна тривалості сигналу світлофора з 20 на 30 секунд вплине на кількість аварій на конкретному перехресті. Раніше подібні прогнози були неможливими, оскільки старі моделі могли працювати лише з даними, схожими на ті, на яких їх навчали.​

Ще одна важлива особливість – це "оцінки впевненості". Штучний інтелект часто називають "чорною скринькою", оскільки процес ухвалення ним рішень не завжди прозорий. SafeTraffic Copilot повідомляє, наскільки він упевнений у своєму прогнозі, що дає змогу фахівцям краще оцінювати ризики.​

Розробники наголошують, що модель є гнучкою і може бути адаптована до умов різних міст, штатів і країн. Наприклад, її можна налаштувати для аналізу ситуації в країнах Південно-Східної Азії, де більшість аварій стається за участю мотоциклів, а культура водіння суттєво відрізняється. Для цього достатньо надати системі текстовий опис місцевих особливостей.

Водночас інструмент не покликаний замінити людину, а має слугувати допоміжним інструментом для обробки інформації та виявлення закономірностей.